De gekozen dataset is afkomstig van de University of Colorado, Irvine. Dezelfde dataset is gebruikt in een wetenschappelijk artikel, namelijk "Using machine learning techniques to generate laboratory diagnostic pathways—a case study" door Hoffman et al. (2018) en werd gepubliceerd in "Journal of Laboratory and Precision Medicine".

De dataset gaat over patiënten met een leveraandoening, Hepatitis C. De data bestaat uit een groep gezonde proefpersonen en een groep patiënten met leveraandoeningen. De dataset bestaat uit 14 kolommen, waarbij 4 kolommen gaan over de patiënt (geslacht, leeftijd, gezond/ziek en ID) en 10 kolommen gaan over de waardes van de uitgevoerde laboratoriumtesten. Er is data van 615 patiënten.

import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
import seaborn as sns

Data inlezen

We beginnen met het inlezen van de data. Deze wordt omgezet in een pandas DataFrame, zodat we een makkelijk overzicht hebben van de data.

hepatitis_c_csv = "HepatitisCdata.csv"

hepatitis_data = pd.read_csv(hepatitis_c_csv, sep=',', header=0)
hepatitis_data.head()

	Unnamed: 0	Category	Age	Sex	ALB	ALP	ALT	AST	BIL	CHE	CHOL	CREA	GGT	PROT
0	1	0=Blood Donor	32	m	38.5	52.5	7.7	22.1	7.5	6.93	3.23	106.0	12.1	69.0
1	2	0=Blood Donor	32	m	38.5	70.3	18.0	24.7	3.9	11.17	4.80	74.0	15.6	76.5
2	3	0=Blood Donor	32	m	46.9	74.7	36.2	52.6	6.1	8.84	5.20	86.0	33.2	79.3
3	4	0=Blood Donor	32	m	43.2	52.0	30.6	22.6	18.9	7.33	4.74	80.0	33.8	75.7
4	5	0=Blood Donor	32	m	39.2	74.1	32.6	24.8	9.6	9.15	4.32	76.0	29.9	68.7

Vervolgens wordt er aan de hand van de dataset een codebook gemaakt, zodat duidelijk is welke units worden gebruikt en wat de afkortingen van de testen betekenen. De dataset bestaat enkel uit patienteninformatie en laboratoriumtesten, deze gaan we allemaal meenemen om later uit te zoeken welke waarden mogelijk gecorreleerd zijn. Aan de hand daarvan gaan we kijken welke bloedwaarden het meeste zeggen over een Hepatitis C infectie.

codebook = {
    "attribute": ["ID", "Category", "Age", "Sex", "ALB", "ALP", "ALT", "AST", "BIL", "CHE", "CHOL", "CREA", "GGT", "PROT"],
    "unit": ["a.u.", "n.a.", "years", "a.u.", "a.u.", "a.u.", "a.u.", "a.u.", "a.u.", "a.u.", "a.u.", "a.u.", "a.u.", "a.u."],
    "dtype": ["integer", "category", "integer", "category", "float", "float", "float", "float", "float", "float", "float", "float", "float", "float",],
    "description": [
        "Patient ID",
        "Diagnosis (0=Blood Donor, 0s=suspect Blood Donor, 1=Hepatitis, 2=Fibrosis, 3=Cirrhosis)",
        "Age",
        "Sex (M/F)",
        "Albumin",
        "Alkaline phosphatase",
        "Alanine aminotransferase",
        "Aspartate aminotransferase",
        "Bilirubin",
        "Cholinesterase",
        "Cholesterol",
        "Creatinine",
        "Gamma-glutamyltransferase",
        "Protein"
    ]
}

pd.DataFrame(codebook).set_index("attribute")

	unit	dtype	description
attribute
ID	a.u.	integer	Patient ID
Category	n.a.	category	Diagnosis (0=Blood Donor, 0s=suspect Blood Don...
Age	years	integer	Age
Sex	a.u.	category	Sex (M/F)
ALB	a.u.	float	Albumin
ALP	a.u.	float	Alkaline phosphatase
ALT	a.u.	float	Alanine aminotransferase
AST	a.u.	float	Aspartate aminotransferase
BIL	a.u.	float	Bilirubin
CHE	a.u.	float	Cholinesterase
CHOL	a.u.	float	Cholesterol
CREA	a.u.	float	Creatinine
GGT	a.u.	float	Gamma-glutamyltransferase
PROT	a.u.	float	Protein

We weten uit hoeveel rijen en kolommen de dataset bestaat, om zeker te weten of we de data volledig hebben ingeladen controleren we dit eerst nog even.

hepatitis_data.shape

(615, 14)

De category in de dataset bevat 5 verschillende opties: 0=Blood Donor, 0s=suspect Blood Donor, 1=Hepatitis, 2=Fibrosis en 3=Cirrhosis. De groep 0s=suspect Blood Donor is een kleine groep, bestaande uit 7 instances. In zowel kaggle als het geciteerde artikel is niet te vinden wat deze groep patiënten een aparte groep maakt: het is niet duidelijk wat er anders is. Om deze reden zullen deze instances uit de dataset gehaald worden. Het toevoegen van de groep aan de 0=Blood Donor maakt het aantal negatieven enkel groter en het toevoegen van de groep aan 1, 2 of 3 maakt dat het machine learning algoritme later mogelijk foutieve uitslagen zal genereren.

hepatitis_data = hepatitis_data[hepatitis_data['Category'] != '0s=suspect Blood Donor']

if any(hepatitis_data['Category'] == '0s=suspect Blood Donor'):
    print("Instances met category '0s=suspect Blood Donor' zitten nog in de DataFrame.")
else:
    print("Instances met category '0s=suspect Blood Donor' zitten niet meer in de DataFrame.")

Instances met category '0s=suspect Blood Donor' zitten niet meer in de DataFrame.

Conclusie: De data is volledig ingeladen en klaar voor de Exploratory Data Analysis.

Exploratory Data Analysis (univariaat)

pd.DataFrame({"is na": hepatitis_data.isna().sum()}).T

	Unnamed: 0	Category	Age	Sex	ALB	ALP	ALT	AST	BIL	CHE	CHOL	CREA	GGT	PROT
is na	0	0	0	0	1	18	1	0	0	0	10	0	0	1

Aan deze tabel is te zien hoeveel missing instances er zijn. Maar 5 kolommen missen data, namelijk ALB, ALP, ALT, CHOl en PROT. Daarvan missen ALB, ALT en PROT alle drie maar één instance. CHOL mist 10 instances en ALP mist er 18. Deze aantallen vallen mee op het totaal van 615.

hepatitis_data.describe()

	Unnamed: 0	Age	ALB	ALP	ALT	AST	BIL	CHE	CHOL	CREA	GGT	PROT
count	615.000000	615.000000	614.000000	597.000000	614.000000	615.000000	615.000000	615.000000	605.000000	615.000000	615.000000	614.000000
mean	308.000000	47.408130	41.620195	68.283920	28.450814	34.786341	11.396748	8.196634	5.368099	81.287805	39.533171	72.044137
std	177.679487	10.055105	5.780629	26.028315	25.469689	33.090690	19.673150	2.205657	1.132728	49.756166	54.661071	5.402636
min	1.000000	19.000000	14.900000	11.300000	0.900000	10.600000	0.800000	1.420000	1.430000	8.000000	4.500000	44.800000
25%	154.500000	39.000000	38.800000	52.500000	16.400000	21.600000	5.300000	6.935000	4.610000	67.000000	15.700000	69.300000
50%	308.000000	47.000000	41.950000	66.200000	23.000000	25.900000	7.300000	8.260000	5.300000	77.000000	23.300000	72.200000
75%	461.500000	54.000000	45.200000	80.100000	33.075000	32.900000	11.200000	9.590000	6.060000	88.000000	40.200000	75.400000
max	615.000000	77.000000	82.200000	416.600000	325.300000	324.000000	254.000000	16.410000	9.670000	1079.100000	650.900000	90.000000

Per kolom laat deze tabel zien wat het gemiddelde, het totaal etc. per kolom is. Omdat de kolom 'Unnamed' niet van belang is voor de EDA, wordt deze eruit gehaald.

hepatitis_data.drop(hepatitis_data.columns[0], axis=1, inplace=True)

Om te controleren of dat goed is gegaan, wordt de dataset nog eens aangeroepen:

hepatitis_data

	Category	Age	Sex	ALB	ALP	ALT	AST	BIL	CHE	CHOL	CREA	GGT	PROT
0	0=Blood Donor	32	m	38.5	52.5	7.7	22.1	7.5	6.93	3.23	106.0	12.1	69.0
1	0=Blood Donor	32	m	38.5	70.3	18.0	24.7	3.9	11.17	4.80	74.0	15.6	76.5
2	0=Blood Donor	32	m	46.9	74.7	36.2	52.6	6.1	8.84	5.20	86.0	33.2	79.3
3	0=Blood Donor	32	m	43.2	52.0	30.6	22.6	18.9	7.33	4.74	80.0	33.8	75.7
4	0=Blood Donor	32	m	39.2	74.1	32.6	24.8	9.6	9.15	4.32	76.0	29.9	68.7
...	...	...	...	...	...	...	...	...	...	...	...	...	...
610	3=Cirrhosis	62	f	32.0	416.6	5.9	110.3	50.0	5.57	6.30	55.7	650.9	68.5
611	3=Cirrhosis	64	f	24.0	102.8	2.9	44.4	20.0	1.54	3.02	63.0	35.9	71.3
612	3=Cirrhosis	64	f	29.0	87.3	3.5	99.0	48.0	1.66	3.63	66.7	64.2	82.0
613	3=Cirrhosis	46	f	33.0	NaN	39.0	62.0	20.0	3.56	4.20	52.0	50.0	71.0
614	3=Cirrhosis	59	f	36.0	NaN	100.0	80.0	12.0	9.07	5.30	67.0	34.0	68.0

615 rows × 13 columns

Er is te zien dat er nu nog maar 13 kolommen zijn in plaats van 14. Nu de patient ID's uit de dataset zijn gehaald, kan er verder gegaan worden.

hepatitis_data.hist(bins=20, layout=(3, 4), figsize=(16.0, 6.4));

Te zien is dat age, ALB, CHE, CHOL en PROT redelijk normaal verdeeld zijn, de resterende waardes zijn veel schever verdeeld. Dit zou mogelijk kunnen komen door outliers.

axs = hepatitis_data.boxplot(grid=False, vert=False, figsize=(12.0, 6.0))
axs.set_title("Boxplot verdelingen");

Aan de boxplot zijn de verdelingen van de waarde te zien. Een aantal testen (bijvoorbeeld CREA) heeft hoge waardes, maar klinisch gezien zou dit prima kunnen passen bij de betreffende patiënt en hoeven dit niet direct outliers te zijn. Om deze reden worden deze waarden gewoon meegenomen in de verdere EDA.

Om te proberen de scheve verhoudingen wat te corrigeren, worden er logtransformaties toegepast. Om hier een visueel beeld bij te krijgen, worden er opnieuw histogrammen per plot getoond.

hepatitis_log = np.log10(hepatitis_data.select_dtypes('number'))

hepatitis_log.hist(bins=20, layout=(3, 4), figsize=(16.0, 6.4));

Te zien is dat de verdelingen na het uitvoeren van de logtransformatie normaler verdeeld zijn. We gaan hetzelfde doen met de boxplot.

axs = hepatitis_log.boxplot(grid=False, vert=False, figsize=(12.0, 6.0))
axs.set_title("Boxplot verdelingen met logtransformatie");

Ook hier is te zien dat na de logtransformatie de data beter (normaler) verdeeld is. We gaan daarom door met de logaritmisch getransformeerde waardes voor enkele attributen. Age, ALB, CHE, CHOL en PROT zijn van zichzelf normaal verdeeld en hoeven dus niet gecorrigeerd te worden. De attributen ALP, ALT, AST, BIL, CREA en GGT zijn logaritmisch getransformeerd normaler verdeeld, deze zullen dus wel gecorrigeerd worden.

for attribute in ("ALP", "ALT", "AST", "BIL", "CREA", "GGT"):
    if attribute in codebook["attribute"]:
        newname = "log(" + attribute + ")"
        index = codebook["attribute"].index(attribute)
        codebook["attribute"][index] = newname
        codebook["description"][index] = "Log10-transform of " + codebook["description"][index]
        hepatitis_data.rename(columns={attribute: newname}, inplace=True)
        hepatitis_data[newname] = hepatitis_log[attribute]

pd.DataFrame(codebook).set_index("attribute")

	unit	dtype	description
attribute
ID	a.u.	integer	Patient ID
Category	n.a.	category	Diagnosis (0=Blood Donor, 0s=suspect Blood Don...
Age	years	integer	Age
Sex	a.u.	category	Sex (M/F)
ALB	a.u.	float	Albumin
log(ALP)	a.u.	float	Log10-transform of Alkaline phosphatase
log(ALT)	a.u.	float	Log10-transform of Alanine aminotransferase
log(AST)	a.u.	float	Log10-transform of Aspartate aminotransferase
log(BIL)	a.u.	float	Log10-transform of Bilirubin
CHE	a.u.	float	Cholinesterase
CHOL	a.u.	float	Cholesterol
log(CREA)	a.u.	float	Log10-transform of Creatinine
log(GGT)	a.u.	float	Log10-transform of Gamma-glutamyltransferase
PROT	a.u.	float	Protein

Aan bovenstaande codebook te zien, is het gelukt om de attributen waar dit nodig was aan te passen naar de logaritmisch getransformeerde waarde.

axs = sns.histplot(hepatitis_data, x="Category", hue="Sex", multiple="stack", shrink=0.8)
axs.set_title("Verdeling diagnoses per geslacht");
plt.xticks(rotation=45)

plt.show()

Aan het staafdiagram met "Verdeling diagnoses per geslacht" is te zien dat de dataset scheef verdeeld is. Het aantal gezonde patiënten (0=Blood Donor) bevat een veel groter aantal instances dan de aangedane groepen (1=Hepatitis, 2=Fibrosis en 3=Cirrhosis).

Exploratory Data Analysis (bivariaat)

sns.pairplot(hepatitis_data, hue ="Sex");

Uit bovenstaande pairplot is wat informatie te halen. Zo heeft de log(CREA) als enige waarde een afwijkende plot: deze zijn namelijk meer horizontaal of juist verticaal. ALB en PROT lijken een kleine samennhang te hebben, wat ook logisch is, omdat albumine het meest voorkomende eiwit in je bloed is. Daarnaast lijken ook log(AST) en log(GGT) een samenhang te hebben. De rest van de waardes lijkt niet echt een correlatie te hebben.

hepatitis_without_category = hepatitis_data.drop(columns=['Category', 'Sex'])

axs = sns.heatmap(hepatitis_without_category.corr(), annot=True, cmap="coolwarm", vmin=-1.0, vmax=1.0, square=True)
axs.set_title("Paarsgewijze correlaties ($R$)");

Deze heatmap laat goed zien welke waardes met elkaar correleren en welke totaal niet. De leeftijd correleert in lage mate met log(GGT), CHOL en log(ALP). Tussen de log(GGT) en log(AST) is, zoals ook in de pairplot te zien was, inderdaad correlatie aanwezig. PROT, CHE en log(ALT) correleren alle 3 in lichte mate met elkaar.